13、基于改进SNS算法的XGBoost入侵检测模型调优

基于改进SNS算法的XGBoost入侵检测模型调优

1. 算法基础与改进思路

在优化问题中，社会网络搜索（SNS）元启发式算法是一种常用的方法。但在实际模拟中发现，原始SNS算法在标准边界约束基准测试里，有时会因种群多样性低，导致搜索过程收敛到次优区域。若初始随机解远离最优解，过早收敛会使最终结果不尽人意。为解决这些问题，提出了一种改进的SNS方法，即多样性导向的SNS（DOSNS）算法。

首先，来看一些基础的公式和概念。在生成新观点时，有如下公式：
- 新观点向量表示：$X_{i new} = [x_1, x_2, x_3, …, x_{d i new}, …, x_D]$
- 初始观点向量生成：$X_0 = lb + rand(0, 1) × (ub - lb)$
- 最大化视图限制问题公式：
[
X_i =
\begin{cases}
X_i, & f(X_i) < f(X_{i new}) \
X_{i new}, & f(X_{i new}) \geq f(X_i)
\end{cases}
]

2. 改进SNS算法的具体策略

2.1 新颖的初始化方案

改进算法采用了一种新颖的初始化策略，通过以下公式实现：
$X_{i,j} = lb_j + \psi · (ub_j - lb_j)$
其中，$X_{i,j}$ 是第 $i$ 个个体的第 $j$ 个分量，$lb_j$ 和 $ub_j$ 分别是 $j$ 参数的下界和上界，$\psi$ 是由正态分布提供的范围在 $[0, 1]$ 的伪随机数。